本发明涉及一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，属于食品安全检测领域。
背景技术：
：民以食为天，食用植物油的品质亦是关乎国计民生，其中芝麻油以其独特的香味和营养保健功能深受人们的喜爱。但正是其较高的市场价格和深受喜爱，引起了芝麻油的掺伪现象。一些不法商贩为了谋取暴利，在芝麻油中掺入动物油、菜籽油、棕榈油等。其掺假行为严重影响了卫生品质和营养成份，因此从消费者的健康和利益角度来看，对芝麻油的油品检测分类是非常重要的。对于芝麻油中掺伪，可根据色泽、气味、滋味等表象特征进行辨别，感官检验法简单、易行，一定程度上适应于某些掺伪油样的检测，但对检验员的敏感能力、实践经验有一定的要求，所以感官检测只能作为初步判断。另外，一些研究人员根据油样中的特殊成份，提出了气相色谱法、显色法等化学检测方法，准确度高，取得了进步的效果，但是其对化学药品要求比较高，实验操作繁琐，检测速度不高，需要一定的实验环境，不能普及应用于现场检测。因此，研究一种快速、方便、准确的食用油掺伪检测方法很为必要。油样的紫外-可见吸收光谱与油样属性之间是一个非线性建模问题。置信规则库(Belief-rule-base，BRB)系统本质上一种专家系统，由一系列置信规则组成，这些置信规则描述了从输入到输出部分评价结果之间的映射关系，相对于传统的IF-THEN规则，它提供了一种能够包含更多信息、更加接近实际的知识表达方式，能够有效利用定性定量等各种类型的信息，建立输入输出之间的非线性模型。因此，采用置信规则库实现对食用油的掺伪进行建模。技术实现要素：本发明提供了一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，以用于实现食用油的掺伪快速、方便、环保的软测量。本发明的技术方案是：一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，首先通过置信规则库建立食用油油样的紫外-可见吸收光谱中的特征波长处的吸光度和油样属性之间的置信规则，进而构成食用油掺伪检测置信规则库模型；然后根据采集的食用油油样的紫外-可见吸收光谱数据，利用粒子群算法训练食用油掺伪检测置信规则库模型；最后将训练得到的高准确率的食用油掺伪检测置信规则库模型应用于食用油掺伪检测。所述食用油的掺伪检测的具体步骤如下：Step1、选取N种食用油油样，确定其紫外-可见吸收光谱的特征波长，以特征波长处的吸光度作为食用油掺伪检测置信规则库模型的输入变量，然后为所有输入变量设置评价等级，并为食用油油样设置对应的输出代码，即主观观测值：选择食用油油样的紫外-可见吸收光谱的特征波长λ＝{λi,i＝1,2,…,M}，以特征波长处的吸光度为输入变量，输入变量的评价等级的参考值A＝{A1,A2,...,AM}，表示M个输入变量的评价等级的参考值构成的集合，且Ai＝{Ai,j,i＝1,2,...M；j＝1,2,…,Ji}表示第i个输入变量的第j个评价等级的参考值构成的集合；食用油油样对应的主观观测值为y＝{(Dn,βn),n＝1,2,…,N}，Dn表示第n种油样，βn表示主观观测值y相对于Dn的置信度；Step2、根据M个输入变量的评价等级的参考值的个数Ji构建食用油掺伪检测置信规则库模型的置信规则库，得到置信规则库中包含L条置信规则；其中，L＝J1*J2*...*Ji*...*JM；Step3、在紫外光谱仪的辅助下，获取T组样本数据，确定食用油掺伪检测置信规则库模型的优化目标：minVmax{ξn(V),n=1,2,...,N}---(1)]]>ξn(V)=1TΣm=1T[βn(m)-β^n(m)]2,m=1,2,...,T;n=1,2,...,N---(2)]]>约束条件为：0≤θk≤1,k＝1,2,…,L(3)0≤βn,k≤1,n＝1,2,…,N；k＝1,2,…,L(4)Σn=1Nβn,k=1,n=1,2,...,N;k=1,2,...,L---(5)]]>式中，表示第m组样本主观观测值与估计值之间的残差；V＝[θk,βn,k]表示由食用油掺伪检测置信规则库模型的参数构成的列向量，θk是置信规则库中第k条置信规则的规则权重，βn,k(n＝1,2,…,N,k＝1,2,…,L)是第k条置信规则中输出部分相对于第n种油样的置信度；T为样本数据总数。Step4、选择粒子群算法作为食用油掺伪检测置信规则库模型的参数向量V的优化算法：Step4.1、设置粒子群算法的种群规模popsize＝30；惯性权重wei＝0.7298；加速因子c1＝0.3，c2＝0.7；迭代终止条件gen＝100或误差精度error＝10-6；规则权重θk的粒子更新速度限制vmax＝0.1，置信度βn,k(n＝1,2,…,N,k＝1,2,…,L)的粒子更新速度限制vmax＝0.2；Step4.2、初始化粒子种群，根据约束式(3)-式(5)初始化食用油掺伪检测置信规则库模型的参数向量V构成的粒子群；Step4.3、以step3中的T组样本作为训练数据；Step4.4、基于置信规则信息的转换技术，将读入的训练数据中的输入变量转换为食用油掺伪检测置信规则库模型需要的分布式输入；Step4.5、利用证据推理算法，根据已转换的分布式输入，对所有的置信规则进行组合，计算食用油掺伪检测置信规则库模型相对于训练数据中油样主观观测值ym的估计值其中，ym＝{(Dn,βn(m)),m＝1,2,…,T；n＝1,2,…,N}；Step4.6、根据式(2)计算每个粒子的适应值，根据式(1)评价每个粒子的适应值，以确定粒子个体历史最优位置pbest和种群历史最优位置gbest；其中，每个粒子的局部最优解pbest设为其初始位置，pbest中的最好值设为gbest；Step4.7、根据粒子位置和速度的更新公式对粒子的位置和速度进行更新；Step4.8、粒子更新后，对违反约束的变量做如下处理：对于规则权重，当其超出约束边界时，按式(6)处理；θk=0,θk≤0,k=1,2,...,L1,θk≥1,k=1,2,...,L---(6)]]>对于置信度，首先通过式(7)使得每个置信度在0到1之间，然后通过式(8)所示的归一化，使其满足式(5)所示的约束条件；βn,k=0,βn,k≤0,n=1,2,...,N;k=1,2,...,L1,βn,k≥1,n=1,2,...,N;k=1,2,...,L---(7)]]>βn,k=βn,k/Σn=1Nβn,k,n=1,2,...,N;k=1,2,...,L---(8)]]>Step4.9、利用证据推理重新计算食用油掺伪检测置信规则库模型相对于训练数据中油样主观观测值的估计值，然后评价粒子适应值，更新pbest和gbest；Step4.10、判断是否满足终止条件：判断食用油掺伪检测置信规则库模型的精度是否满足error＝10-6，满足则终止，输出最优值gbest；若不满足，判断算法是否达到最大迭代次数gen，是则终止迭代，输出最优值gbest；否则转至step4.7，直到满足终止条件之一；Step5、通过训练得到的gbest，即V的优化值，构建完整的食用油掺伪检测置信规则库模型，用于食用油掺伪检测。本发明的有益效果是：该模型通过置信规则库充分利用油样的紫外-可见吸收光谱中的定性定量信息，建立紫外-可见吸收光谱与油样之间的非线性模型，反映了特征波长处的吸光度与油样属性的关系，在紫外-可见光谱仪的辅助下，可简单、快速的完成食用油的掺伪检测。该方法比传统的化学检测方法要方便，节约时间，而且成本低，环保，检测精度满足要求，可应用于现场检测以提高工作效率。附图说明图1是本发明的流程图。具体实施方式实施例1：如图1所示，一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，首先通过置信规则库建立食用油油样的紫外-可见吸收光谱中的特征波长处的吸光度和油样属性之间的置信规则，进而构成食用油掺伪检测置信规则库模型；然后根据采集的食用油油样的紫外-可见吸收光谱数据，利用粒子群算法训练食用油掺伪检测置信规则库模型；最后将训练得到的高准确率的食用油掺伪检测置信规则库模型应用于食用油掺伪检测。实施例2：如图1所示，一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，步骤Step3中，确定食用油掺伪检测置信规则库模型的优化目标为：minVmax{ξn(V),n=1,2,...,N}---(1)]]>ξn(V)=1TΣm=1T[βn(m)-β^n(m)]2,m=1,2,...,T;n=1,2,...,N---(2)]]>约束条件为：0≤θk≤1,k＝1,2,…,L(3)0≤βn,k≤1,n＝1,2,…,N；k＝1,2,…,L(4)Σn=1Nβn,k=1,n=1,2,...,N;k=1,2,...,L---(5)]]>式中，表示第m组样本主观观测值与估计值之间的残差；V＝[θk,βn,k]表示由食用油掺伪检测置信规则库模型的参数构成的列向量，θk是置信规则库中第k条置信规则的规则权重，βn,k(n＝1,2,…,N,k＝1,2,…,L)是第k条置信规则中输出部分相对于第n种油样的置信度；T为样本数据总数。实施例3：如图1所示，一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，所述食用油的掺伪检测的具体步骤如下：Step1、选取N种食用油油样，确定其紫外-可见吸收光谱的特征波长，以特征波长处的吸光度作为食用油掺伪检测置信规则库模型的输入变量，然后为所有输入变量设置评价等级，并为食用油油样设置对应的输出代码，即主观观测值：选择食用油油样的紫外-可见吸收光谱的特征波长λ＝{λi,i＝1,2,…,M}，以特征波长处的吸光度为输入变量，输入变量的评价等级的参考值A＝{A1,A2,...,AM}，表示M个输入变量的评价等级的参考值构成的集合，且Ai＝{Ai,j,i＝1,2,...M；j＝1,2,…,Ji}表示第i个输入变量的第j个评价等级的参考值构成的集合；食用油油样对应的主观观测值为y＝{(Dn,βn),n＝1,2,…,N}，Dn表示第n种油样，βn表示主观观测值y相对于Dn的置信度；Step2、根据M个输入变量的评价等级的参考值的个数Ji构建食用油掺伪检测置信规则库模型的置信规则库，得到置信规则库中包含L条置信规则；其中，L＝J1*J2*...*Ji*...*JM；Step3、在紫外光谱仪的辅助下，获取T组样本数据，确定食用油掺伪检测置信规则库模型的优化目标：minVmax{ξn(V),n=1,2,...,N}---(1)]]>ξn(V)=1TΣm=1T[βn(m)-β^n(m)]2,m=1,2,...,T;n=1,2,...,N---(2)]]>约束条件为：0≤θk≤1,k＝1,2,…,L(3)0≤βn,k≤1,n＝1,2,…,N；k＝1,2,…,L(4)Σn=1Nβn,k=1,n=1,2,...,N;k=1,2,...,L---(5)]]>式中，表示第m组样本主观观测值与估计值之间的残差；V＝[θk,βn,k]表示由食用油掺伪检测置信规则库模型的参数构成的列向量，θk是置信规则库中第k条置信规则的规则权重，βn,k(n＝1,2,…,N,k＝1,2,…,L)是第k条置信规则中输出部分相对于第n种油样的置信度；T为样本数据总数。Step4、选择粒子群算法作为食用油掺伪检测置信规则库模型的参数向量V的优化算法：Step4.1、设置粒子群算法的种群规模popsize＝30；惯性权重wei＝0.7298；加速因子c1＝0.3，c2＝0.7；迭代终止条件gen＝100或误差精度error＝10-6；规则权重θk的粒子更新速度限制vmax＝0.1，置信度βn,k(n＝1,2,…,N,k＝1,2,…,L)的粒子更新速度限制vmax＝0.2；Step4.2、初始化粒子种群，根据约束式(3)-式(5)初始化食用油掺伪检测置信规则库模型的参数向量V构成的粒子群；Step4.3、以step3中的T组样本作为训练数据；Step4.4、基于置信规则信息的转换技术，将读入的训练数据中的输入变量转换为食用油掺伪检测置信规则库模型需要的分布式输入；Step4.5、利用证据推理算法，根据已转换的分布式输入，对所有的置信规则进行组合，计算食用油掺伪检测置信规则库模型相对于训练数据中油样主观观测值ym的估计值其中，ym＝{(Dn,βn(m)),m＝1,2,…,T；n＝1,2,…,N}；Step4.6、根据式(2)计算每个粒子的适应值，根据式(1)评价每个粒子的适应值，以确定粒子个体历史最优位置pbest和种群历史最优位置gbest；其中，每个粒子的局部最优解pbest设为其初始位置，pbest中的最好值设为gbest；Step4.7、根据粒子位置和速度的更新公式对粒子的位置和速度进行更新；Step4.8、粒子更新后，对违反约束的变量做如下处理：对于规则权重，当其超出约束边界时，按式(6)处理；θk=0,θk≤0,k=1,2,...,L1,θk≥1,k=1,2,...,L---(6)]]>对于置信度，首先通过式(7)使得每个置信度在0到1之间，然后通过式(8)所示的归一化，使其满足式(5)所示的约束条件；βn,k=0,βn,k≤0,n=1,2,...,N;k=1,2,...,L1,βn,k≥1,n=1,2,...,N;k=1,2,...,L---(7)]]>βn,k=βn,k/Σn=1Nβn,k,n=1,2,...,N;k=1,2,...,L---(8)]]>Step4.9、利用证据推理重新计算食用油掺伪检测置信规则库模型相对于训练数据中油样主观观测值的估计值，然后评价粒子适应值，更新pbest和gbest；Step4.10、判断是否满足终止条件：判断食用油掺伪检测置信规则库模型的精度是否满足error＝10-6，满足则终止，输出最优值gbest；若不满足，判断算法是否达到最大迭代次数gen，是则终止迭代，输出最优值gbest；否则转至step4.7，直到满足终止条件之一；Step5、通过训练得到的gbest，即V的优化值，构建完整的食用油掺伪检测置信规则库模型，用于食用油掺伪检测。实施例4：如图1所示，一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，以芝麻油，芝麻油掺花生油，芝麻油掺调和油三种作为实验油样，通过紫外-可见光谱仪对三种油样进行10次重复采样，获取30组紫外-可见吸收光谱。然后进行芝麻油掺伪检测置信规则库模型的建模。Step1、确定芝麻油、芝麻油掺花生油、芝麻油掺调和油三种油样的紫外-可见吸收光谱的特征波长，以特征波长处的吸光度作为芝麻油掺伪检测置信规则库模型的输入变量，然后为所有输入变量设置评价等级，并为三种油样设置对应的输出代码。从芝麻油、芝麻油掺花生油、芝麻油掺调和油三种油样的紫外-可见吸收光谱中选择相同的三条特征波长λ＝{λ1,λ2,λ3}，其中λ1＝495nm，λ2＝620nm，λ3＝885nm。以三条特征波长处的吸光度为输入变量，输入变量的评价等级的参考值Ai＝{Ai,j,i＝1,2,...M；j＝1,2,…,Ji}中M＝3，J1＝3，J2＝3，J3＝3，其具体设置如表1、表2、表3所示。芝麻油、芝麻油掺花生油、芝麻油掺调和油的主观观测值y＝{(Dn,βn),n＝1,2,3}对应的输出代码分别设置为{100}、{010}、{001}，(其中，{100}中的数据表示芝麻油对应的主观观测值y分别相对于Dn的置信度，{010}中的数据表示芝麻油掺花生油对应的主观观测值y分别相对于Dn的置信度，{001}中的数据表示芝麻油掺调和油对应的主观观测值y分别相对于Dn的置信度)即D1对应芝麻油，D2对应芝麻油掺花生油，D3对应芝麻油掺调和油。另因为实验油样有三种，则油样种类总数N＝3。表1特征波长λ1的参考值语义值A11A12A13量化值225475750表2特征波长λ2的参考值语义值A21A22A23量化值221528903640表3特征波长λ3透气度的参考值语义值A31A32A33量化值160240350Step2、根据M＝3个输入变量的评价等级的参考值的个数Ji构建芝麻油掺伪检测置信规则库模型的置信规则库，得到置信规则库中包含L条置信规则；其中，L＝J1*J2*...*Ji*...*JM＝J1*J2*J3＝3*3*3＝27；其中第k条置信规则描述如下：Step3、以获取的T＝30组样本数据为背景，确定芝麻油掺伪检测置信规则库模型的优化目标为：minVmax{ξn(V),n=1,2,3}---(2)]]>ξn(V)=130Σm=130[βn(m)-β^n(m)]2,m=1,2,...,30;n=1,2,3---(3)]]>约束条件为：0≤θk≤1,k＝1,2,…,27(4)0≤βn,k≤1,n＝1,2,3；k＝1,2,…,27(5)Σn=13βn,k=1,n=1,2,3;k=1,2,...,27---(6)]]>式中，表示第m组样本主观观测值与估计值之间的残差；V＝[θk,βn,k]表示由芝麻油掺伪检测置信规则库模型的参数构成的列向量，即num＝L+L*N＝27+27*3＝108个参数。Step4、选择粒子群算法作为芝麻油掺伪检测置信规则库模型的参数向量V的优化算法：Step4.1、设置粒子群算法的种群规模popsize＝30；惯性权重wei＝0.7298；加速因子c1＝0.3，c2＝0.7；迭代终止条件gen＝100或误差精度error＝10-6；规则权重θk的粒子更新速度限制vmax＝0.1，置信度βn,k(n＝1,2,3；k＝1,2,…,27)的粒子更新速度限制vmax＝0.2；Step4.2、初始化粒子种群，根据约束式(4)-式(6)初始化芝麻油掺伪检测置信规则库模型的参数向量V构成的粒子群；Step4.3、以step3中的T组样本，即三种油样的紫外-可见吸收光谱的三种特征波长处的吸光度以及对应的输出代码，作为训练数据；Step4.4、基于置信规则信息的转换技术，将读入的训练数据中的输入变量转换为芝麻油掺伪检测置信规则库模型需要的分布式输入；例如隶属于(A1,1,225)，(A1,2,475)，(A1,3,750)的程度为S(255)＝{(A1,1,0.88),(A1,2,0.12),(A1,3,0)}，即(475-250)/(475-225)＝0.88。Step4.5、利用证据推理算法，根据已转换的分布式输入，对所有的置信规则进行组合，计算芝麻油掺伪检测置信规则库模型相对于训练数据中油样主观观测值ym的估计值其中，ym＝{(Dn,βn(m)),m＝1,2,…,30；n＝1,2,3}；证据推理算法的解析描述如下：wk=θkΠi=13(qik)Σl=127θlΠi=13(qil),k=1,2,...,27---(7)]]>β^n(m)=u×[Πk=127(wkβn,k+1-wkΣp=13βp,k)-Πk=127(1-wkΣp=13βp,k)]1-u×[Πk=127(1-wk)],n=1,2,3---(8)]]>u=[Σd=13Πk=127(wkβd,k+1-wkΣp=13βp,k)-(3-1)Πk=127(1-wkΣp=13βp,k)]-1---(9)]]>式(7)中wk是第k条置信规则的激活权重；Step4.6、根据式(3)计算每个粒子的适应值，根据式(2)评价每个粒子的适应值，以确定粒子个体历史最优位置pbest和种群历史最优位置gbest；其中，每个粒子的局部最优解pbest设为其初始位置，pbest中的最好值设为gbest；Step4.7、根据粒子位置和速度的更新公式对粒子的位置和速度进行更新；vz,st=wei*vz,st-1+c1*r1(pbestz,s-Vz,st-1)+c2*r2(gbests-Uz,st-1)---(10)]]>vz,st=vmax,vz,st>vmax---(11)]]>vz,st=-vmax,vz,st<-vmax---(12)]]>Uz,st=Uz,st-1+Uz,st---(13)]]>式中，表示在第t代时粒子z的第s个分量的位置更新速度；r1,r2∈[0,1]；表示在第t代时粒子z的第s个分量；t＝1,2,…,gen；z＝1,2,…,popsize；s＝1,2,…,num。Step4.8、粒子更新后，对违反约束的变量做如下处理：对于规则权重，当其超出约束边界时，按式(14)处理；θk=0,θk≤0,k=1,2,...,271,θk≥1,k=1,2,...,27---(14)]]>对于置信度，首先通过式(15)使得每个置信度在0到1之间，然后通过式(16)所示的归一化，使其满足式(6)所示的约束条件；βn,k=0,βn,k≤0,n=1,2,3,k=1,2,...,271,βn,k≥1,n=1,2,3,k=1,2,...,27---(15)]]>βn,k=βn,k/Σn=13βn,k,n=1,2,3;k=1,2,...,27---(16)]]>Step4.9、利用证据推理重新计算芝麻油掺伪检测置信规则库模型相对于训练数据中油样主观观测值的估计值，然后评价粒子适应值，更新pbest和gbest；Step4.10、判断是否满足终止条件：判断芝麻油掺伪检测置信规则库模型的精度是否满足error＝10-6，满足则终止，输出最优值gbest；若不满足，判断算法是否达到最大迭代次数gen，是则终止迭代，输出最优值gbest；否则转至step4.7，直到满足终止条件之一；Step5：通过训练得到的gbest，即V的优化值，构建完整的芝麻油掺伪检测置信规则库模型，用于芝麻油掺伪检测。表4训练后芝麻油掺伪检测置信规则库模型的规则权重和置信度表4给处了训练后芝麻油掺伪检测置信规则库模型的规则权重和输出置信度，即训练后V的最优值。训练模型平均相对误差ξ(V)＝(ξ(V1),ξ(V2),ξ(V3))＝(6.29*10-7,6.74*10-7,5.93*10-7)，模型训练效率为3.23s，误差精度高，训练效率快，说明了所提芝麻油掺伪检测置信规则库模型的有效性。例如选取芝麻油为新样本，通过紫外-可见光谱仪得到其特征波长处的吸光度为利用训练好的芝麻油掺伪检测置信规则库模型对新样本进行检测，得到新样本的分布式评价结果为{(D1,0.9992),(D2,0.0008),(D3,0)}，由step1可知D1代表芝麻油，则模型的精度为99.92％，说明模型具有很好的可信度。另对新样本的检测效率为0.001s，进一步说明了芝麻油掺伪检测置信规则库模型的可行性。实施例5：如图1所示，一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，以芝麻油、芝麻油掺花生油2:1、花生油三种作为实验油样，通过紫外-可见光谱仪对三种油样进行10次重复采样，获取30组紫外-可见吸收光谱。然后进行芝麻油掺伪检测置信规则库模型的建模。Step1、确定芝麻油、芝麻油掺花生油2:1、花生油三种油样的紫外-可见吸收光谱的特征波长，以特征波长处的吸光度作为芝麻油掺伪检测置信规则库模型的输入变量，然后为所有输入变量设置评价等级，并为三种油样设置对应的输出代码。从芝麻油、芝麻油掺花生油2:1、花生油三种油样的紫外-可见吸收光谱中选择相同的三条特征波长λ＝{λ1,λ2,λ3}，其中λ1＝391nm，λ2＝495nm，λ3＝885nm。以三条特征波长处的吸光度为输入变量，输入变量的评价等级的参考值Ai＝{Ai,j,i＝1,2,...M；j＝1,2,…,Ji}中M＝3，J1＝2，J2＝3，J3＝3，其具体设置如表5、表6、表7所示。芝麻油，芝麻油掺花生油2:1，花生油的主观观测值y＝{(Dn,βn),n＝1,2,3}对应的输出代码分别设置为{100}、{010}、{001}，即D1对应芝麻油，D2对应芝麻油掺花生油2:1，D3对应花生油。另因为实验油样有三种，则油样种类总数N＝3。表5特征波长λ1的参考值语义值A11A12量化值11260表6特征波长λ2的参考值语义值A21A22A23量化值2394854096表7特征波长λ3透气度的参考值语义值A31A32A33量化值170118Step2、根据M＝3个输入变量的评价等级的参考值的个数Ji构建芝麻油掺伪检测置信规则库模型的置信规则库，得到置信规则库中包含L条置信规则；其中，L＝J1*J2*...*Ji*...*JM＝J1*J2*J3＝2*3*3＝18；其中第k条置信规则描述如下：Step3、以获取的T＝30组样本数据为背景，确定芝麻油掺伪检测置信规则库模型的优化目标为：minVmax{ξn(V),n=1,2,3}---(2)]]>ξn(V)=130Σm=130[βn(m)-β^n(m)]2,m=1,2,...,30;n=1,2,3---(3)]]>约束条件为：0≤θk≤1,k＝1,2,…,18(4)0≤βn,k≤1,n＝1,2,3；k＝1,2,…,18(5)Σn=13βn,k=1,n=1,2,3;k=1,2,...,18---(6)]]>式中，表示第m组样本主观观测值与估计值之间的残差；V＝[θk,βn,k]表示由芝麻油掺伪检测置信规则库模型的参数构成的列向量，即num＝L+L*N＝18+18*3＝72个参数。Step4、选择粒子群算法作为芝麻油掺伪检测置信规则库模型的参数向量V的优化算法：Step4.1、设置粒子群算法的种群规模popsize＝30；惯性权重wei＝0.7298；加速因子c1＝0.3，c2＝0.7；迭代终止条件gen＝100或误差精度error＝10-6；规则权重θk的粒子更新速度限制vmax＝0.1，置信度βn,k(n＝1,2,3；k＝1,2,…,18)的粒子更新速度限制vmax＝0.2；Step4.2、初始化粒子种群，根据约束式(4)-式(6)初始化芝麻油掺伪检测置信规则库模型的参数向量V构成的粒子群；Step4.3、以step3中的T组样本，即三种油样的紫外-可见吸收光谱的三种特征波长处的吸光度以及对应的输出代码，作为训练数据；Step4.4、基于置信规则信息的转换技术，将读入的训练数据中的输入变量转换为芝麻油掺伪检测置信规则库模型需要的分布式输入；例如隶属于(A1,1,1)，(A1,2,1260)的程度为S(1188)＝{(A1,1,0.06),(A1,2,0.94)}，即(1260-1188)/(1260-1)＝0.06。Step4.5、利用证据推理算法，根据已转换的分布式输入，对所有的置信规则进行组合，计算芝麻油掺伪检测置信规则库模型相对于训练数据中油样主观观测值ym的估计值其中，ym＝{(Dn,βn(m)),m＝1,2,…,30；n＝1,2,3}；证据推理算法的解析描述如下：wk=θkΠi=13(qik)Σl=118θlΠi=13(qil),k=1,2,...,18---(7)]]>β^n(m)=u×[Πk=118(wkβn,k+1-wkΣp=13βp,k)-Πk=118(1-wkΣp=13βp,k)]1-u×[Πk=118(1-wk)],n=1,2,3---(8)]]>u=[Σd=13Πk=118(wkβd,k+1-wkΣp=13βp,k)-(3-1)Πk=118(1-wkΣp=13βp,k)]-1---(9)]]>式(7)中wk是第k条置信规则的激活权重；Step4.6、根据式(3)计算每个粒子的适应值，根据式(2)评价每个粒子的适应值，以确定粒子个体历史最优位置pbest和种群历史最优位置gbest；其中，每个粒子的局部最优解pbest设为其初始位置，pbest中的最好值设为gbest；Step4.7、根据粒子位置和速度的更新公式对粒子的位置和速度进行更新；vz,st=wei*vz,st-1+c1*r1(pbestz,s-Lz,st-1)+c2*r2(gbests-Uz,st-1)---(10)]]>vz,st=vmax,vz,st>vmax---(11)]]>vz,st=-vmax,vz,st<-vmax---(12)]]>Uz,st=Uz,st-1+Uz,st---(13)]]>式中，表示在第t代时粒子z的第s个分量的位置更新速度；r1,r2∈[0,1]；表示在第t代时粒子z的第s个分量；t＝1,2,…,gen；z＝1,2,…,popsize；s＝1,2,…,num。Step4.8、粒子更新后，对违反约束的变量做如下处理：对于规则权重，当其超出约束边界时，按式(14)处理；θk=0,θk≤0,k=1,2,...,181,θk≥1,k=1,2,...,18---(14)]]>对于置信度，首先通过式(15)使得每个置信度在0到1之间，然后通过式(16)所示的归一化，使其满足式(6)所示的约束条件；βn,k=0,βn,k≤0,n=1,2,3;k=1,2,...,181,βn,k≥1,n=1,2,3;k=1,2,...,18---(15)]]>βn,k=βn,k/Σn=13βn,k,n=1,2,3;k=1,2,...,18---(16)]]>Step4.9、利用证据推理重新计算芝麻油掺伪检测置信规则库模型相对于训练数据中油样主观观测值的估计值，然后评价粒子适应值，更新pbest和gbest；Step4.10、判断是否满足终止条件：判断芝麻油掺伪检测置信规则库模型的精度是否满足error＝10-6，满足则终止，输出最优值gbest；若不满足，判断算法是否达到最大迭代次数gen，是则终止迭代，输出最优值gbest；否则转至step4.7，直到满足终止条件之一；Step5：通过训练得到的gbest，即V的优化值，构建完整的芝麻油掺伪检测置信规则库模型，用于芝麻油掺伪检测。表8训练后芝麻油掺伪检测置信规则库模型的规则权重和置信度表8给处了训练后芝麻油掺伪检测置信规则库模型的规则权重和输出置信度，即训练后V的最优值。训练模型平均相对误差ξ(V)＝(ξ(V1),ξ(V2),ξ(V3))＝(1.28*10-8,5.99*10-7,6.23*10-7)，模型训练效率为2.25s，误差精度高，训练效率快，说明了所提芝麻油掺伪检测置信规则库模型的有效性。例如选取花生油为新样本，通过紫外-可见光谱仪得到其特征波长处的吸光度为利用训练好的芝麻油掺伪检测置信规则库模型对新样本进行检测，得到新样本的分布式评价结果为{(D1,0),(D2,0.0022),(D3,0.9978)}，由step1可知D3代表花生油，则模型的精度为99.78％，说明模型具有很好的可信度。另对新样本的检测效率为0.001s，进一步说明了芝麻油掺伪检测置信规则库模型的可行性。上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。当前第1页1 2 3